-
公开(公告)号：CN117237618A
公开(公告)日：2023-12-15
申请号：CN202311521064.1
申请日：2023-11-15
Applicant: 南京信息工程大学
Abstract: 本申请涉及一种高光谱图像异常检测方法。该方法包括：获取高光谱图像的像素点的高维光谱作为向量，构建马氏距离模型和局部马氏距离模型，采用马氏距离模型分析高光谱图像的每个像素点与均值向量的马氏距离，根据每个像素点与均值向量的马氏距离对像素点进行升序排序，获得新的图像矩阵，采用局部马氏距离模型，循环分析高光谱图像的每个像素点与其他像素点之间的马氏距离，并获得点集，对点集分析平均值，获得锚点集；以锚点集中每个锚点作为中心点，每个锚点与像素点距离最近的马氏距离为对应的局部半径，确定子区域，将高光谱图像中位于子区域以外的像素点，确定异常目标。提升了高光谱图像异常检测检测的准确性。
-
公开(公告)号：CN116503746B
公开(公告)日：2023-09-12
申请号：CN202310780145.7
申请日：2023-06-29
Applicant: 南京信息工程大学
Abstract: 本发明公开了一种基于多层嵌套非全映射U型网络的红外小目标检测方法，涉及目标检测和图像处理技术领域，包括以下步骤：步骤1、构建密集嵌套特征提取模型；步骤2、构建级联模型，计算通道空间注意模块特征映射；步骤3、对特征图进行通道维度的连接，重建图像的质量和细节；步骤4、计算全局鲁棒特征图，获取深层特征信息；步骤5、计算属于同一类像素的每一个目标的质心；步骤6、根据红外图像和重建图像得到目标检测图像；从而通过引入级联模型和计算全局鲁棒特征图来充分挖掘红外图像的邻域信息和空间信息的相关性，以提升红外图像目标检测的准确性，本发明的目标检测结果准确率为96.12%，相比现有技术具有更高的准确性。
-
公开(公告)号：CN119888367A
公开(公告)日：2025-04-25
申请号：CN202510177022.3
申请日：2025-02-18
Applicant: 南京信息工程大学
Abstract: 本发明公开了一种基于图神经网络的高光谱遥感图像分类方法及装置，涉及高光谱图像处理技术领域，本发明将原始高光谱数据中的每个像素点作为一个节点构建邻接矩阵，生成图结构数据；并使用余弦相似度度量函数去除一阶邻居节点中的异常像素，构建新的邻接矩阵，对原始数据使用主成分分析方法进行降维，提取主要光谱特征成分，降低计算复杂度，将优化后的邻接矩阵和降维后的三维高光谱遥感图像输入预先训练好的图神经网络模型，通过平均聚合方式聚合每个像素点的邻居特征，并通过KAN网络提取聚合后中心像素点的特征，得到中心像素点的嵌入，最后通过Softmax处理得到分类结果，提升了分类效率和准确性，为高光谱遥感图像处理领域带来了突破性的进展。
-
公开(公告)号：CN119206379B
公开(公告)日：2025-04-22
申请号：CN202411700036.0
申请日：2024-11-26
Applicant: 南京信息工程大学
IPC: G06V10/764 , G06V10/82 , G06V10/44 , G06V20/10 , G06N3/0464 , G06N3/049 , G06N3/08
Abstract: 本发明公开了高光谱图像处理领域的一种高光谱图像分类方法，旨在解决高光谱图像中存在复杂的空间关系和纹理信息，常规的分类算法难以充分利用这些信息技术问题。其包括：脉冲神经网络能够自适应地提取更有效的特征，提高对高光谱数据的敏感性，动态阈值调整层避免人工设定固定阈值，更好地适应高光谱数据的复杂性；脉冲神经网络通过模拟生物神经系统的动态处理特性，能有效处理时空数据，特征提取层突出二值化的脉冲信号中的关键特征，从而增强关键特征的分类性能；根据每个像素的具体信息自动二值化编码为脉冲序列，具备更好的信息保真度；进而实现从高光谱图像中充分提取关键特征，实现高光谱图像的分类。
-
公开(公告)号：CN119492712B
公开(公告)日：2025-04-15
申请号：CN202510073702.0
申请日：2025-01-17
Applicant: 南京信息工程大学 , 太谱(苏州)纺织科技有限公司
IPC: G01N21/47 , G06F18/23 , G06N3/084 , G06N3/096 , G06N3/0464
Abstract: 本发明涉及面料检测技术领域，具体涉及一种便携式纺织品面料多组分纤维成分识别方法及系统，采集多次待测面料正、反两面反射的红外光谱数据；对红外光谱数据进行预处理并对预处理后的光谱数据进行聚类分析获取训练数据集；通过训练数据集对模型训练，构建出多组分纤维成分模型；将构建的模型迁移部署到设备端，通过增量学习再训练获得成熟的识别模型；采集未知纤维成分面料的红外光谱数据；嵌入式端调用相应设备端部署的识别模型对预处理后的红外光谱数据进行识别。本发明能有效解决目前红外光谱法对纺织品面料成分测量不够准确并且每种模型适用范围小的问题，从而替代传统人工检测，使多组分纤维成分识别结果更客观的同时提高了检测效率。
-
Patent Agency Ranking
公开(公告)号：CN119492712A
公开(公告)日：2025-02-21
申请号：CN202510073702.0
申请日：2025-01-17
Applicant: 南京信息工程大学 , 太谱(苏州)纺织科技有限公司
IPC: G01N21/47 , G06F18/23 , G06N3/084 , G06N3/096 , G06N3/0464
Abstract: 本发明涉及面料检测技术领域，具体涉及一种便携式纺织品面料多组分纤维成分识别方法及系统，采集多次待测面料正、反两面反射的红外光谱数据；对红外光谱数据进行预处理并对预处理后的光谱数据进行聚类分析获取训练数据集；通过训练数据集对模型训练，构建出多组分纤维成分模型；将构建的模型迁移部署到设备端，通过增量学习再训练获得成熟的识别模型；采集未知纤维成分面料的红外光谱数据；嵌入式端调用相应设备端部署的识别模型对预处理后的红外光谱数据进行识别。本发明能有效解决目前红外光谱法对纺织品面料成分测量不够准确并且每种模型适用范围小的问题，从而替代传统人工检测，使多组分纤维成分识别结果更客观的同时提高了检测效率。
-
公开(公告)号：CN118230023B
公开(公告)日：2024-12-03
申请号：CN202410182358.4
申请日：2024-02-19
Applicant: 南京信息工程大学
IPC: G06V10/764 , G06V10/774 , G06V10/82 , G06N3/0464 , G06N3/09 , G06V10/77
Abstract: 本发明公开了一种基于二次训练的高光谱图像分类方法及系统，涉及高光谱图像分类技术领域，通过Transformer分类模型进行有监督学习得到像素的高阶分类向量，构建与分类模型相同结构的二次训练模型，将像素块中的部分像素与中心像素输入模型，输出得到二次分类向量，根据高阶分类向量与二次分类向量之间差异作为损失，优化二次训练模型的参数，连接高阶分类向量与二次分类向量并输入线性分类模型，得到像素的分类概率。利用少量有标记数据微调线性分类模型，将待分类的像素分别利用训练好的Transformer分类模型、二次训练模型、线性分类模型，得到像素的分类概率，选择最大概率所在类别作为标签，即可实现高光谱图像分类。
-
公开(公告)号：CN117524340A
公开(公告)日：2024-02-06
申请号：CN202410010523.8
申请日：2024-01-04
Applicant: 南京信息工程大学
IPC: G16C20/20 , G16C20/70 , G06F18/214 , G06F18/241 , G06F18/25 , G06N3/045 , G06N3/0464 , G06N3/0475 , G06N3/084 , G06N3/094
Abstract: 本发明公开了基于多层一维CNN深度网络的纺织品成份定量表征方法，从近红外光谱样本数据中挑选出由目标成分构成的纺织品光谱数据，并对纺织品光谱数据进行预处理；构建GAN模型，利用训练集数据和随机噪声样本训练GAN模型；构建多池化融合一维卷积核神经网络，利用训练之后的生成器生成伪样本数据，利用伪样本数据训练多池化融合一维卷积核神经网络，将训练后的多池化融合一维卷积核神经网络作为分类器；利用分类器对纺织品的成分进行定量表征。本发明利用多层一维CNN深度网络、GAN模型和多池化融合一维卷积核神经网络相结合的方法，实现了对纺织品成分的高效准确定量表征，具有较好的应用前景。
-
公开(公告)号：CN116721318A
公开(公告)日：2023-09-08
申请号：CN202310569581.X
申请日：2023-05-19
IPC: G06V10/778 , G06V10/774 , G06V10/764 , G06V10/82 , G06V20/10 , G06N3/042 , G06N3/08
Abstract: 本申请涉及一种基于类级图嵌入表示的遥感图像主动学习方法。该方法包括：通过从高光谱遥感图像的标记数据中，随机取出标记集和未标记集，余下的样本作为测试集，设置主动学习的迭代次数与样本预算，使用标记集训练分类模型，通过网络参数得到样本的空谱特征表示，根据真实标签将标记集分为K类，逐类别构造图节点与邻接矩阵，训练类级图卷积网络模型，得到未标记样本的类间最小不确定性，挑选B个不确定样本作为查询集，赋予查询集真实标签并加入标记集，使用新的标记集更新分类模型与类级图卷积网络模型的参数，当迭代次数为I次时，利用更新后的标记集训练分类模型并对测试集进行分类得到分类结果。从而提高深度学习模型分类的准确率。
-
公开(公告)号：CN119226777B
公开(公告)日：2025-03-04
申请号：CN202411719238.X
申请日：2024-11-28
Applicant: 南京信息工程大学
IPC: G06F18/213 , G01N15/075 , G01N21/84 , G06N3/0464 , G06N3/045
Abstract: 本发明公开了一种高分辨大气气溶胶反演方法、装置及系统，涉及遥感信息技术领域，对研究区域的各波段卫星影像统一重采样为60m，并通过SCL场景分类图进行掩膜操作；然后提取出各波段的大气底层反射率数据以及对应的几何角度信息，通过对站点数据进行插值并与卫星数据进行时空匹配从而构建数据集；最后，构建深度学习模型，对数据进行归一化处理并输入到模型之中进行气溶胶反演，得到高分辨率的气溶胶光学厚度(Aerial Optical Depth，AOD)分布图。本发明具有较好的反演效果和较高的空间分辨率，并且无需大量参数和预构建查找表。
-
-
-
-
-
-
-
-
-
Search Results
57
records
(took 0.034 seconds)
